การแพทย์
ระบบอัลกอริทึม AI อ่านและคาดการณ์ข้อมูลผู้ป่วยจากบันทึกสุขภาพอิเล็กทรอนิกส์
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
นักวิทยาศาสตร์จากโรงเรียนแพทย์ไคห์นแห่งมาวน์ตซินัยได้พัฒนาแอลกอริทึมใหม่แบบอัตโนมัติโดยใช้ปัญญาประดิษฐ์ (AI) ที่สามารถอ่านและคาดการณ์ข้อมูลผู้ป่วยจากบันทึกสุขภาพอิเล็กทรอนิกส์ (EHRs)
วิธีการใหม่นี้เรียกว่า Phe2vec และสามารถระบุผู้ป่วยที่มีโรคบางชนิดได้อย่างแม่นยำ มันแสดงให้เห็นว่ามีความแม่นยำเท่ากับวิธีการแบบดั้งเดิมที่ต้องการแรงงานคนมากกว่า
เบนจามิน เอส. กลิคส์เบิร์ก PhD เป็นรองศาสตราจารย์สาขาژเนติกส์และวิทยาศาสตร์เกี่ยวกับจีโนม เขายังเป็นสมาชิกของสถาบันดิจิทัลสุขภาพฮาสโซ พลัทเทอร์ แห่งมาวน์ตซินัย (HPIMS) และเป็นหนึ่งในผู้เขียนหลักของการศึกษา
“ยังมีการเพิ่มขึ้นอย่างต่อเนื่องในปริมาณและประเภทของข้อมูลที่เก็บไว้ในบันทึกสุขภาพของผู้ป่วย การแยกข้อมูลที่ซับซ้อนเหล่านี้อาจเป็นภาระที่หนักหน่วง ซึ่งทำให้ความก้าวหน้าในการวิจัยทางคลินิกชะลอลง” กลิคส์เบิร์กกล่าว “ในหนึ่งในการศึกษา เราได้สร้างวิธีการใหม่สำหรับการขุดค้นข้อมูลจากบันทึกสุขภาพอิเล็กทรอนิกส์ด้วยการเรียนรู้ของเครื่อง ซึ่งเร็วและใช้แรงงานคนน้อยกว่ามาตรฐานอุตสาหกรรม เราหวังว่ามันจะเป็นเครื่องมือที่มีคุณค่าซึ่งจะอำนวยความสะดวกในการวิจัยทางคลินิกที่ไม่มีอคติ”
การศึกษานี้ได้ตีพิมพ์ในวารสาร Patterns และได้รับการนำโดย Jessica K. De Freitas นักศึกษาระดับบัณฑิตศึกษาในห้องปฏิบัติการของ Dr. Glicksberg
มาตรฐานอุตสาหกรรมปัจจุบัน
นักวิทยาศาสตร์ในปัจจุบันพึ่งพาโปรแกรมคอมพิวเตอร์และแอลกอริทึมที่จัดตั้งขึ้นเพื่อขุดค้นบันทึกสุขภาพสำหรับข้อมูลใหม่ ระบบที่เรียกว่า Phenotype Knowledgebase (PheKB) พัฒนาและเก็บแอลกอริทึมเหล่านี้ ระบบนี้มีประสิทธิภาพสูงในการระบุการวินิจฉัยของผู้ป่วยได้อย่างถูกต้อง แต่นักวิจัยต้องผ่านบันทึกสุขภาพหลายรายการและค้นหาส่วนประกอบของข้อมูล เช่น การทดสอบในห้องปฏิบัติการและใบสั่งยาก่อน
แอลกอริทึมจะถูกตั้งโปรแกรมให้แนะนำคอมพิวเตอร์ในการค้นหาผู้ป่วยที่มีข้อมูลที่เกี่ยวข้องกับโรค ซึ่งเรียกว่า “phenotype” ซึ่งช่วยให้ระบบสามารถสร้างรายการผู้ป่วยได้ ซึ่งต้องตรวจสอบโดยนักวิจัยด้วยตนเอง หากนักวิจัยต้องการศึกษาการเจ็บป่วยใหม่ พวกเขาจะต้องเริ่มกระบวนการใหม่
วิธีการใหม่
ด้วยวิธีการใหม่ นักวิจัยสามารถทำให้คอมพิวเตอร์เรียนรู้ด้วยตนเองวิธีการระบุ phenotype ของโรค ซึ่งช่วยลดเวลาและแรงงานของนักวิจัย วิธีการ Phe2vec นี้อิงจากการศึกษาก่อนหน้าที่ทีมงานได้ทำ
ริคคาร์โด มิโอตโต PhD เป็นอดีตรองศาสตราจารย์ที่ HPIMS และเป็นหนึ่งในผู้เขียนหลักของการศึกษา
“ก่อนหน้านี้ เราได้แสดงให้เห็นว่าการเรียนรู้ของเครื่องแบบไม่มีการกำกับสามารถเป็นกลยุทธ์ที่มีประสิทธิภาพและได้ผลในการขุดค้นบันทึกสุขภาพอิเล็กทรอนิกส์” มิโอตโต้กล่าว “ข้อได้เปรียบของวิธีการของเราคือมันเรียนรู้การแสดงผลของโรคจากข้อมูลเอง ดังนั้นเครื่องจักรจึงทำส่วนใหญ่ของงานที่ผู้เชี่ยวชาญปกติทำเพื่อกำหนดการผสมผสานของส่วนประกอบข้อมูลจากบันทึกสุขภาพที่อธิบายโรคได้ดีที่สุด”
คอมพิวเตอร์ถูกตั้งโปรแกรมให้เข้าถึงบันทึกสุขภาพอิเล็กทรอนิกส์หลายล้านรายการและเรียนรู้วิธีการเชื่อมโยงข้อมูลกับโรค การตั้งโปรแกรมพึ่งพา “แอลกอริทึมการฝัง” ซึ่งได้รับการพัฒนาโดยนักวิจัยก่อนหน้านี้ มันถูกใช้ในการศึกษาบทเครือข่ายคำในหลายภาษา
หนึ่งในแอลกอริทึมเหล่านั้นเรียกว่า word2vec และมีประสิทธิภาพสูงมาก คอมพิวเตอร์ถูกตั้งโปรแกรมให้ระบุการวินิจฉัยของผู้ป่วยประมาณ 2 ล้านคนซึ่งมีข้อมูลเก็บไว้ในระบบสุขภาพมาวน์ตซินัย
นักวิจัยเปรียบเทียบประสิทธิภาพของระบบใหม่และเก่า และพบว่าสำหรับ 9 ใน 10 โรคที่ทดสอบ ระบบ Phe2vec ใหม่มีประสิทธิภาพเท่ากันหรือดีกว่ากระบวนการ phenotyping ปัจจุบันในการระบุการวินิจฉัยจาก EHRs โรคเหล่านี้รวมถึงโรคสมองเสื่อม โรคปลอกประสาทเสื่อม โรคเลือดจาง และอื่นๆ
“โดยรวมแล้ว ผลลัพธ์ของเราน่าสนับสนุนและชี้ให้เห็นว่า Phe2vec เป็นเทคนิคที่มีแนวโน้มสำหรับการ phenotyping ของโรคในระดับใหญ่ในบันทึกสุขภาพอิเล็กทรอนิกส์” ดร. กลิคส์เบิร์กกล่าว “ด้วยการทดสอบและปรับปรุงเพิ่มเติม เราหวังว่ามันจะสามารถใช้เพื่อทำให้กระบวนการแรกๆ ของการวิจัยทางคลินิกอัตโนมัติได้ ทำให้นักวิทยาศาสตร์สามารถมุ่งเน้นความพยายามในการวิเคราะห์เชิงลึก เช่น การสร้างแบบจำลองการคาดการณ์”
